Curriculumontwerp

Automatische machinale vertaling van deze Engelse pagina, nog niet nagekeken door een moedertaalspreker.

Curriculumontwerp — het proces van het plannen en structureren van wat wordt onderwezen in cursussen, opleidingen en instellingen, inclusief leerdoelen, de ordening van inhoud, beoordelingsstrategieën en de progressie van vaardigheden. In het AI-tijdperk moet curriculumontwerp een evenwicht vinden tussen fundamentele kennis en opkomende AI-competenties, en bepalen niet alleen wat studenten leren, maar ook hoe zij leren werken met AI-tools en deze kritisch leren evalueren.

Vragen om over na te denken

• Curriculumontwerp vraagt wat studenten op programmaniveau moeten leren, terwijl learning design vraagt hoe dat op cursusniveau gebeurt. Wanneer AI een discipline hervormt, welke van die twee lagen zou volgens u als eerste moeten veranderen?
• Nu generatieve AI werk op implementatieniveau automatiseert, betogen sommigen dat curricula moeten verschuiven naar systeemontwerp, abstractie en kritische evaluatie. Wat zouden studenten volgens u verliezen als vaardigheden op laag niveau minder nadruk krijgen?
• Herontwerp van curricula in het AI-tijdperk wordt vaak gekaderd als een evenwicht tussen toolvaardigheid en fundamentele kennis. Waar hebt u gezien dat dit evenwicht te ver naar één kant doorsloeg?
• Het SAIL-kader behandelt AI-geletterdheid als iets dat over leeftijden heen wordt opgebouwd en ontworpen is om diepere 'digitale kloven' aan te pakken, verder dan toegang alleen. Hoe verschilt het inbedden van AI-geletterdheid in een heel curriculum van het toevoegen van één AI-cursus?
• Als elke discipline nu AI-competenties in zich moet inbedden, wie is dan verantwoordelijk voor de curriculumverandering — docenten, opleidingen of instellingen — en wat hebben onderwijsgevenden nodig om daarin te slagen?
• Een curriculum is een opeenvolging van vaardigheden over jaren, niet alleen een lijst met onderwerpen. Hoe verandert dat langere perspectief of een 'AI-geletterdheidsmodule' daadwerkelijk beklijft?

Inleiding

Curriculumontwerp behandelt het wat van onderwijs op programmaniveau en vormt de aanvulling op learning design, dat het hoe op cursusniveau behandelt. De artikelen in deze kennisbank onderzoeken hoe AI curricula in alle disciplines hervormt — van software-engineering tot architectuur tot groen onderwijs — en hoe onderwijsgevenden curricula ontwerpen die AI-geletterdheid inbedden zonder de disciplinaire fundamenten op te offeren.

Kernthema's van onderzoek

Curricula herontwerpen voor het AI-tijdperk is de centrale uitdaging. Lee et al. synthetiseerden bevindingen uit internationale workshops over het herontwerpen van bacheloronderwijs in de informatica en betoogden dat curricula, nu GenAI programmeren op implementatieniveau automatiseert, moeten verschuiven naar systeemontwerp, abstractie en kritische evaluatie — terwijl implementatiedetails op laag niveau minder nadruk krijgen. Gorsky formaliseerde Agentic Software Engineering als een afzonderlijke discipline met een curriculum van 21 modules, gericht op de "evolutie van intentie" en de beroepsdiscipline die nodig is om AI-agenten te beheren. Beide sluiten aan bij AI-geletterdheid en Scaffolding.

Sabani et al. (2026) bekijken de verandering als systemisch in plaats van additief en brengen een scopingreview, bibliometrische mapping van 209 records, 36 artikelen en tien interviews met academische leiders samen tot vijf verschuivingen — waaronder kennisoverdracht die plaatsmaakt voor capaciteitsontwikkeling en lokale experimenten die plaatsmaken voor institutionele governance.

Curriculummapping en -analyse gebruikt AI om bestaande curricula te begrijpen. Geng et al. analyseerden 23 syllabi van AI-ondersteunde software-engineeringcursussen, identificeerden gemeenschappelijke thema's — prompt engineering, codereview met AI, ethische overwegingen — en leidden ontwerprichtlijnen af die de nadruk leggen op een evenwicht tussen toolvaardigheid en fundamentele kennis. CourseGraph past computationele methoden toe om de structuur van informaticacursussen tussen instellingen te vergelijken.

Hoe gewichten worden toegekend, verandert wat een curriculumanalyse rapporteert: Jayalath et al. (2026) lieten GPT-o3-mini 100% verdelen over zeven enterprise-vaardigheden voor elk van 48 beoordelingen, wat een Krippendorff's alfa van 0.81 opleverde ten opzichte van expertwegingen, maar de overeenstemming werd negatief voor vaardigheden die de beschrijvingen nooit expliciet vermelden (-0.19).

Modulaire structuur overleeft de huidige inhoud. Er keert een patroon terug waarin het veld sneller beweegt dan de reviewcyclus: een stabiele kern van AI-geletterdheid, kritische beoordeling, biasdetectie en ethiek, met gespecialiseerde en lokaal beschikbare toolinhoud als modules eraan gekoppeld en elke zes tot twaalf maanden herzien (Bursic et al. (2026)). Medisch onderwijs in de vervolgopleiding is het genoemde geval, maar het principe generaliseert: het programma legt zich vast op competenties die toolwisselingen overleven en plant de toolspecifieke laag in voor vervanging.

Integratie van AI-geletterdheid bedt AI-competenties in alle disciplines in. SAIL biedt een gefaseerd kader voor AI-geletterdheid dat toepasbaar is over alle leeftijden en onderwijsfasen en dat de tweede en derde digitale kloof aanpakt. Tracing GenAI Literacy: Student-AI Interaction Patterns in Academic Writing onderzoekt hoe AI-geletterdheid zich ontwikkelt via interactiepatronen. Systematic review of collaborative learning activities for promoting AI literacy verkent collaboratieve benaderingen van curriculumontwikkeling voor AI-geletterdheid, met een verbinding naar samenwerkend leren.

LearnAI laat zien hoe een ingebedde versie eruitziet: een breed toegankelijke laag van korte presentaties binnen 18 bestaande cursussen in vijf disciplines (293 studenten), gecombineerd met optionele één-op-één co-creatiesessies door getrainde bachelorstudenten als peer-tutoren, zodat leerlingen met verschillende niveaus AI-taken op hun eigen niveau tegenkomen (Qu et al. (2026)).

Integratie in de praktijk blijft achter bij de kaders. Santos-Albardía et al. (2025) vonden dat slechts 13.8% van de bevraagde studenten in onderwijs en journalistiek zei dat hun opleiding aandacht besteedde aan kritische media-analyse, tegenover 97.8% die dat belangrijk vond, en hun expertinterviews herleidden de kloof tot lerarenopleiding die technische en instructieve vaardigheden boven mediaonderwijs stelt.

Een PRISMA-review van 39 STEAM-studies (2016–2025) vond een vergelijkbare onevenwichtigheid in AI-geletterdheidselementen: de implementaties ontwikkelden technische geletterdheden — fundamentele AI-concepten, computationeel denken, datageletterdheid — terwijl ze ethisch bewustzijn, creatieve verbeelding en creëren, beheren en ontwerpen met AI onderontwikkeld lieten, zodat het toetsen van elke module aan die elementen de praktische reactie is (Niri et al., 2026).

Leerlingenstem is een andere ontwerpinput: 84% van 166 laatstejaars bedrijfskundestudenten wilde dat GenAI in hun vakken werd onderwezen en 85% zag het als essentieel voor inzetbaarheid, terwijl slechts 7% er op de universiteit over had geleerd (Rook & Plumb (2026)).

Een review van 42 studies naar pre-universitair AI-onderwijs vindt dat curricula opschuiven van technische inhoud naar competentiegerichte modellen gebouwd op kaders als AI4K12 en de Five Big Ideas in AI, waarbij AI-geletterdheid als cross-curriculaire competentie wordt behandeld terwijl gestandaardiseerde instrumenten om die te beoordelen ontbreken (Caruana et al. (2026)).

Docenten en werkgevers waren het over slechts één van 26 AI-vaardigheden eens over het belang — realistische verwachtingen stellen aan AI-versterkt werk — en slechts drie van de 26 werden door de helft of meer van de docenten onderwezen, wat volgens het rapport bewijs is van een kloof in AI-vaardigheden tussen hoger onderwijs en werkgevers (Fried (2026)).

Ontwerp van ML-activiteiten in K-12 blijft aan de oppervlakte: een review achter het ICE-T-kader vond dat onzichtbaar gebruik, knopinteractie en modeldeployment bijna 60% van de gecodeerde supervised-learningactiviteiten uitmaken, open-ended creatie slechts tweemaal voorkwam, en technische en maatschappelijke perspectieven in slechts ongeveer 3% van de activiteiten samenvielen (Haritz et al., 2026).

Domeinspecifieke curriculuminnovatie past curriculumontwerp toe op specifieke vakgebieden. Gen-AI-tecture: using generative AI to support architectural students in design tasks onderzoekt hoe generatieve AI het onderwijskundig ontwerp van architectuur hervormt. The Role of Artificial Intelligence in Green Education: Optimizing Teacher Workflow and Enhancing Pedagogical Design under Sustainable Development Pedagogy (SDP) Constraints onderzoekt AI-integratie in curricula voor groen onderwijs. ConnectED: A curriculum-aligned AI system for Vietnamese instructional lesson planning and student learning en LLMs to Support K-12 Teachers in Culturally Relevant Pedagogy: An AI Literacy Example behandelen cultureel responsief curriculumontwerp.

Bed AI in binnen de discipline in plaats van ernaast. Een drielaags AI-curriculum (inleidend, toepassing, gevorderd) verweefde machine learning met bestaande onderwerpen uit de warmtetechniek in een cursus van 39.1 uur, in plaats van computerwetenschappelijke keuzevakken toe te voegen, waardoor extra belasting voor werktuigbouwkundestudenten werd vermeden en de syllabus, data en code openbaar werden vrijgegeven (Li et al. (2026)).

Een journalistieke casus laat de waarden-eerst-variant zien: een triadisch kader van waarden, processen en competenties bracht studenten van menselijk rapporteren naar AI-geïntegreerd werk, toch meldden 8 van 9 (89%) vertrouwen in ethische beslissingen, terwijl enquête-items over auteurschap en bias slechts oppervlakkig begrip suggereerden (Ngu en Weller (2026)).

Institutionele kaders behandelen curriculumverandering op schaal. A principled way to think about AI in education: guidance for educators and policy makers on action based on goals, models of human learning, and use of technologies en A principled way to think about AI in education: guidance for educators and policy makers on action based on goals, models of human learning, and use of technologies bieden principes voor het integreren van AI in onderwijsprogramma's. The Main Barrier to AI Adoption in the Public Sector is Lack of Training onderzoekt belemmeringen voor de adoptie van AI-curricula in onderwijs in de publieke sector.

AI ordenen over het hele programma. Torres-Sahli et al. stellen een "inperken, dan versterken"-kader voor dat generatieve AI op programmaniveau ordent: houd een generatieve tool achterwege terwijl een vermogen zich vormt, en herstel hem daarna om dat vermogen te versterken zodra de student hem kan aansturen en de opbrengst kan beoordelen. Het kader wordt gestuurd door een criterium van vormen versus offloaden (of een stuk werk een vermogen opbouwt of het louter door de tool laat passeren) en verbindt curriculumontwerp met overmatige afhankelijkheid, zelfregulerend leren en academische integriteit, met moeilijk te vervalsen controlepunten bij elke overgang van inperken naar versterken.

De hefboom voor de hoogste fasen is niet meer cursuswerk: over 89 gesponsorde capstoneprojecten werd de voortgang van Workforce Readiness-niveau 6 naar 7 bepaald door ervaring in de industrie — co-ops en projecten binnen het Manufacturing Extension Partnership — zodat opleidingen werkgeïntegreerd leren nodig hebben in plaats van nog een technisch keuzevak (Smith et al. (2026)).

Een gevolg van modelcapaciteit op curriculumniveau is dat AI-bestendig ontwerp verloopt. Informaticaonderwijsgevenden beschreven hoe zij opdrachten afstemden op wat de modellen nog niet konden en zagen die afstemming wegvallen — de opgaven van één cybersecuritydocent vroegen zeven of acht maanden eerder nog om echt probleemoplossen en werden daarna simpelweg opgelost — waarbij een workshopleider de houdbaarheid op ongeveer één semester schatte. De structurele bevinding van de workshop is dat bijna elke aanpassing door een individuele docent binnen één cursus werd gedaan, zonder de institutionele coördinatie die een duurzame curriculumreactie zou vereisen (Akbar et al., 2026).

Afstemming van de hele cursus wanneer generatieve AI is toegestaan. Een herontwerp uit 2026 van een inleidende cursus natuurkunde over kern- en deeltjesfysica (Mikhasenko et al.) integreerde drie soorten activiteiten met verschillende rollen — hoorcolleges voor concepten en notatie, werkcolleges voor standaard analytische oefening, en huiswerk als een verkennende, "onderzoeksvormige" component van ongewoon moeilijke problemen met meerdere methoden. De gerapporteerde wrijving (een niet-aangekondigde programmeervoorwaarde, onvoldoende tijd om te begrijpen in plaats van alleen antwoorden te verkrijgen, en slechte afstemming tussen hoorcolleges, werkcolleges, huiswerk en tentamen) illustreert dat het toestaan van generatieve AI afstemmingswerk over de hele cursus afdwingt in plaats van een wijziging in één soort opdracht; hun aanbevolen structuur houdt het met AI toegestane verkennende werk als bonusopleverende gevorderde taken, terwijl het schriftelijke tentamen zonder hulpmiddelen het cijfer bepaalt.

De diepte van afstemming, niet de frequentie van gebruik, onderscheidt integratiepatronen. Over 17 casussen van bedrijfskundemodules verweven zes GenAI systematisch door onderwijs, leren en beoordeling (constructief), negen deden dat inconsistent (gemengd) en twee sporadisch (ad hoc); de constructieve casussen rapporteerden de sterkste uitkomsten op betrokkenheid, capaciteit en curriculumrelevantie (Zhou et al. (2026)).

Advies over constructive alignment onder kritische loep. Waar de bovenstaande bronnen over afstemming in de praktijk rapporteren, leest McInnes et al. (2026) de begeleiding zelf als een discours. Hun kritische-discoursanalyse van 14 stukken grijze literatuur gepubliceerd tussen november 2022 en april 2025 — vooral institutionele pagina's en hoofdstukken van centraal gepositioneerde onderwijs- en leercentra — vond dat constructive alignment als een efficiëntieprobleem werd gepresenteerd: generatieve AI was "een effectieve en efficiënte manier om rubrics op te stellen" die "het proces stroomlijnt", geantropomorfiseerd als "een onderwijsdeskundige en assistent", een "sparringpartner" of een "intelligente assistent bij instructional design", terwijl academische medewerkers alleen "vakkennis" aanleverden en de tool "het zware werk van het ontwikkelen van leerdoelen, het ordenen van cursusinhoud ... en het afstemmen van cursusonderdelen" op zich nam. Kopieer-en-plak-promptrecepten en genummerde templates kadreerden CA als een standaardiseerbaar product, met drie faalmodi tot gevolg: performativiteit (afstemming die alleen afgestemd lijkt), uitwissing van gesitueerde en kritische context, en oppervlakkige CA die afstemming met de constructieve dimensie verwart. Hun remedie herordent de workflow van curriculumontwerp — onderwijsgevenden moeten CA goed genoeg begrijpen om AI-output te sturen, te evalueren en te verwerpen voordat zij er welk deel dan ook van delegeren — en begrenst elke tool tot een institutionele retrieval-augmented agent die gegrond is in lokaal beleid, rubrics en afstudeerattributen, met een "liminale tutor"-rol die de relatie met de ontwikkelaar verlengt in plaats van vervangt.

Curriculumafgestemde modelleertaken genereren. AI-platforms kunnen het gebrek aan tijd en middelen van docenten voor het ontwerpen van hoogwaardige taken voor wiskundig modelleren aanpakken door curriculumafgestemde problemen en onderwijskundige aanbevelingen te genereren op basis van ontwerpprincipes en retrieval-augmented generatie — een aanpak die wordt geïllustreerd met directe variatie in het secundair wiskundeonderwijs (Creating an AI-powered platform for generating modelling problems: A case study on direct variation in secondary school mathematics). Ook cursusleesmateriaal is inmiddels een generatiedoel: Sidorkin (2026) verving een commercieel leerboek door wekelijks AI-gegenereerde teksten in een postacademische cursus onderwijskundig leiderschap, en hoewel studenten ze nuttig vonden en 75 procent vond dat zij meer leerden dan in een vergelijkbare cursus, bevatten de 4.487 pagina's aan logs op slechts ongeveer 0.80 procent van de pagina's APA-achtige verwijzingen in de tekst, en op ongeveer 1.03 procent van de pagina's werd een genoemde campus of systeem verbonden aan stellige beleidsclaims zonder verifieerbare bron. De les voor cursusmateriaal is om gegenereerde teksten als conceptproductie onder docentreview te behandelen, te budgetteren voor de docenttijd voor promptontwerp en verificatie, en gecontroleerde bronnen in de assistent te cureren in plaats van de bronkwaliteit door studenten uit de context te laten afleiden.

AI-ondersteunde lesplanning op de laag van curriculum naar klaslokaal. Op het punt waar een curriculum een onderwezen les wordt, vergeleken Luo en Tahir (2025) experimenteel door docenten gemaakte plannen met ChatGPT-ondersteunde plannen in STEAM-kunstonderwijs voor kinderen, en vonden dat AI-ondersteunde plannen significant hoger werden beoordeeld door zes expertprofessoren (mediaan 20.5 versus 17.6, p = .002, groot effect). Zij laten zien dat de opbrengst afhangt van hoe de docent delegeert: de aanbevolen methode vult inhoudelijke hiaten in een zelf opgezette les (waarbij het ontwerp en de autonomie van de docent behouden blijven) in plaats van het hele plan te delegeren. Zij dragen ook een prompttemplate met rol, instructies en einddoel bij voor reproduceerbare, kwaliteitsgecontroleerde generatie — bewijs dat AI-lesplanning het sterkst is wanneer die is ingebed in, en niet in de plaats komt van, de curriculumbeslissingen van de docent. In het bètaonderwijs komen expertoordelen tot een parallel vonnis over platformontwerp: Karaismailoglu, Surmeli en Yildirim (2026) lieten elf specialisten in bètaonderwijs ChatGPT-4 en een onderwijsgericht instrument (Teacher's Buddy) beoordelen op plannen voor de zesde klas, afgestemd op het herziene Turkse curriculum en het Engineering Design-Based Learning-model. Het onderwijsgerichte platform scoorde hoger op alle acht kwaliteitscriteria — inclusief feedbackintensieve fasen en curriculumafstemming — bewijs dat onderwijskundige structuur in een AI inbedden beter afgestemde output oplevert. Toch gaven sommige experts nog de voorkeur aan het algemene plan vanwege de sterkere sociaal-emotionele nadruk, en 7 van 11 beoordeelden de plannen als "toepasbaar na correctie" in plaats van direct bruikbaar. De keuze van platform en promptkader, niet alleen de AI zelf, bepaalt hoe goed gegenereerde plannen aansluiten bij curriculumstandaarden en procesmodellen.

Structuur, niet de formulering van de prompt, maakt AI-conceptteksten betrouwbaar in productie: de Curriculum-as-Code-pijplijn van Paiva (2026) snoeide context agressief en genereerde materialen sectie voor sectie in 28 projectcontexten, wat de voorbereidingstijd van docenten van ongeveer acht naar twee uur per instructie terugbracht en geen conceptuele of wiskundige hallucinaties achterliet die menselijke beoordeling had moeten opvangen.

Verbanden met verwante concepten

Curriculumontwerp sluit direct aan bij learning design — het curriculum bepaalt wat, de instructie bepaalt hoe. Het sluit aan bij AI-geletterdheid omdat het inbedden van AI-competenties een centrale curriculumuitdaging is, bij de rol van de leraar en educatieve ontwikkeling omdat curriculumverandering voorbereiding van onderwijsgevenden vraagt, en bij Scaffolding omdat goed ontworpen curricula de vaardigheidsontwikkeling over cursussen en jaren heen opbouwen. De verbindingen met hoger onderwijs en K-12 weerspiegelen de relevantie van curriculumontwerp op alle onderwijsniveaus.

Eén AI-geletterdheidskader kiezen betekent een vocabulaire kiezen dat niemand heeft gekoppeld. In een scopingreview van 50 K-12-kaders vond Kharbach et al. (2026) dat competentiedefinities convergeerden op cognitieve, affectieve, gedragsmatige, ethische en sociale dimensies, terwijl de labels en constructen niet op elkaar aansloten. Alleen het ABCE-kader naderde een gedeelde meettraditie, gevalideerd in Hongkong, Shanghai en Taiwan, en progressie over leerjaren werd herhaaldelijk voorgesteld en nergens getest.

Veelvoorkomende misverstanden

• "Een Large Language Models (LLMs) kan een curriculum in kaart brengen zodra die met hoge betrouwbaarheid is gevalideerd." GPT-o3-mini verdeelde 100% over zeven enterprise-vaardigheden voor elk van 48 beoordelingen en bereikte een Krippendorff's alfa van 0.81 ten opzichte van expertwegingen — en toch brak de overeenstemming af bij bepaalde vaardigheden. Hoge algehele betrouwbaarheid met ongelijkmatige overeenstemming is het patroon dat u moet controleren voordat u de mapping vertrouwt.
• "AI-geletterdheid inbedden betekent een cursus toevoegen." LearnAI laat de ingebedde vorm zien: een breed toegankelijke laag van korte presentaties binnen 18 bestaande cursussen in vijf disciplines (293 studenten). De exposure was over het curriculum verdeeld in plaats van in één module gebundeld.
• "Studenten komen al binnen met het vermogen media kritisch te evalueren." Slechts 13.8% van de bevraagde studenten in onderwijs en journalistiek zei dat hun opleiding aandacht besteedde aan kritische media-analyse, tegenover 97.8% die dat belangrijk vond. De kloof tussen een vaardigheid waarderen en haar onderwezen krijgen is de curriculumopening.

Verbonden concepten

• Pedagogical Partnerships — Pedagogische partnerschappen
• Business Education
• Learning design
• AI-geletterdheid
• Scaffolding
• Educatieve ontwikkeling
• Lesgeven
• Higher Education
• K-12
• STEM Education
• CS Education
• Generative AI
• Agentieke AI
• Metacognition
• Prompt Engineering
• Collaborative Learning
• Pedagogies and Teaching Strategies — Overkoepelend: pedagogieën en onderwijsstrategieën in AI-onderwijs
• Recommender Systems and Learning Paths

Verbonden artikelen

• Leveraging GenAI models for Curriculum Analytics: A Human-Centered Approach for Curriculum Mapping in Higher Education — Gewogen, door experts gevalideerde vaardigheidsmapping voor accreditatie
• Efficiency at what cost? Salvaging constructive alignment from the GenAI hype — Kritische-discoursanalyse van begeleiding voor GenAI bij constructive alignment (McInnes et al. 2026)
• Addressing Trust in AI Systems through Education: A Didactic Perspective — Vertrouwen in AI-systemen adresseren via onderwijs: een didactisch perspectief
• Refrain, Then Amplify: A Curriculum Framework for Sequencing Generative AI to Form Professional Judgement — Inperken-dan-versterken-curriculumkader voor het ordenen van GenAI (Torres-Sahli et al. 2026)
• Giving mechanical engineers intelligent tools: A project-based AI education curriculum in thermal engineering — Projectmatig AI-onderwijscurriculum in de warmtetechniek
• From Classroom Design to Newsroom Practice: Assessment Intervention Designing GenAI
• Integrating generative artificial intelligence into university curricula: Student insights
• From Experimentation to Integration: Embedding GenAI in Business Higher Education through the Lens of Constructive Alignment
• A Conceptual Framework for Enhancing Workforce Readiness for Smart Manufacturing in the AI Era — Workforce Readiness Level-kader voor smart manufacturing in het AI-tijdperk
• Rewriting the Curriculum: A Systematic Review of Generative AI-Driven Pedagogical Change and Emerging Systems of Learning in Higher Education — Het curriculum herschrijven: GenAI-gedreven pedagogische verandering
• Technology, education and critical media literacy: potential, challenges, and opportunities
• Reshaping Undergraduate Computer Science Education in the Generative AI Era
• ASE-26: A Curriculum for Agentic Software Engineering as a Discipline
• Mapping the Emerging Curriculum for AI-Assisted Software Engineering via Syllabus Analysis
• The Scaffolded AI literacy (SAIL) framework: Results of a Delphi study for equitable AI literacy framework design in education
• Curriculum as Code: An AI-Assisted Architecture for Instructional Design in STEM Education
• Tracing GenAI Literacy: Student-AI Interaction Patterns in Academic Writing
• A principled way to think about AI in education: guidance for educators and policy makers on action based on goals, models of human learning, and use of technologies
• Systematic review of collaborative learning activities for promoting AI literacy
• AI skills for college graduates: Exploring how instructors and employers prioritize AI skills differently — AI Skills Framework: 26 beoordeelbare vaardigheden voor curriculummapping
• LearnAI: Just-in-Time AI Co-Creation Across Disciplines at a University — LearnAI: just-in-time AI-co-creatie over disciplines heen
• When Saying No Makes Better Videos: Designing Dual Gatekeeping for Pedagogically Grounded AI Content Creation — Wanneer nee zeggen betere video's oplevert: dubbele poortbewaking voor pedagogisch gegronde AI-contentcreatie
• STEAM education for AI literacy: a systematic literature review — STEAM-onderwijs voor AI-geletterdheid: systematische review
• Preparing Learners and Teachers for an AI-Driven Future: Emerging Trends, Pedagogical Challenges, and Critical Perspectives in Pre-University AI Education: A Systematic Literature Review — Leerlingen en leraren voorbereiden op een AI-gedreven toekomst: SLR van pre-universitair AI-onderwijs (Caruana et al. 2026)
• Creating an AI-powered platform for generating modelling problems: A case study on direct variation in secondary school mathematics — AI-platform dat taken voor wiskundig modelleren genereert (ADDIE, RAG)
• ChatGPT-assisted lesson planning for children's STEAM arts education: An experimental study on benefits, challenges, methods, and a prompt framework
• Suitability of Artificial Intelligence Supported Lesson Plans from the Perspective of Science Education Experts
• AI in Particle Physics Education: Research Problems and Foundational Skills — AI in het deeltjesfysicaonderwijs: onderzoeksproblemen en fundamentele vaardigheden
• AI Can Do Your Homework. Now What? Report from an online workshop on computing assessment in the age of generative AI — AI kan je huiswerk doen. En nu? Verslag van een online workshop over beoordeling in de informatica in het tijdperk van generatieve AI
• K-12 AI literacy frameworks after generative AI: A scoping review - competentiekaders convergeren op vijf dimensies zonder gedeeld vocabulaire of koppeling
• Exploring the integration of artificial intelligence into residency education curriculum: qualitative interviews — Belemmeringen voor AI-integratie in curricula van medische vervolgopleidingen: kwalitatieve interviews met twaalf arts-leiders